AI发展的重要风险降低：美国联邦法官裁定使用版权作品训练LLM属于合理使用
尊敬的朋友们，
近日，美国地方法院做出了一项重要裁决，认定使用受版权保护的图书来训练大型语言模型（LLM）属于合理使用范畴。这一裁决源于此前多位作家对Anthropic公司提起的诉讼，他们指控该公司未经许可便使用其作品训练AI模型。法官在判决中指出，正如我们允许人们通过阅读书籍来学习写作，但禁止直接复制受版权保护的内容一样，AI模型也可以通过类似的方式学习，而这应被视为合理使用。
法官Alsup进一步评论道，作者们的诉讼与“抱怨培养学生写作能力会导致大量作品涌现”并无本质区别。尽管这一判决是否会被上诉仍有待观察，但其合理性以及对AI发展的积极意义是不言而喻的。（声明：我并非律师，不提供法律建议。）
AI发展面临的潜在风险
当前，人工智能发展势头迅猛，但也面临着一些潜在的风险，这些风险可能会阻碍其前进的步伐：
- 监管捕获： 以“AI安全”为名，对创新，特别是开源创新进行扼杀。
- 芯片供应受限： 尤其是在台湾爆发战争的情况下，可能导致无法获得先进的半导体芯片。
- 数据访问受限： 严格限制用于训练AI系统的数据访问。
优质数据的获取至关重要。尽管大众媒体普遍关注大型数据中心和模型规模的扩大，但与训练基础模型的公司交流时，我了解到他们面临的日常挑战很大一部分在于数据准备。具体而言，他们日常工作的重要组成部分包括：遵循以数据为中心的人工智能实践，识别高质量数据源（书籍是其中重要来源之一），清洗数据（判决中提到Anthropic采取了诸如删除书籍页眉、页脚和页码等措施），进行误差分析以确定需要获取更多的数据类型，以及发明新的方法来生成合成数据。
我很高兴数据访问方面的一个主要风险有所降低。此外，判决还指出，Anthropic将图书从纸质格式转换为数字格式（这是进行训练所必需的步骤）也属于合理使用。然而，对Anthropic来说，一个不利的方面是，法官表示，虽然使用合法获取的数据进行训练是可行的，但使用盗版材料（例如从盗版网站下载的文本）则不属于合理使用。因此，Anthropic仍可能在这方面承担责任。其他LLM提供商如果使用可能包含盗版作品的数据集，也可能需要重新审视其做法。
判决的积极影响
总的来说，这项裁决对人工智能的进步具有积极意义。也许最大的好处是，它减少了人工智能训练和版权方面的不确定性，并且（如果它经受住上诉）使合规路线图更加清晰。该决定表明，可以利用合法获取的数据来构建生成变革性输出的模型，并且可以将印刷书籍转换为数字格式以用于此目的。但是，从盗版网站下载（以及未经相关版权所有者许可，永久构建用于确定目的的“通用”文本库）不被认为是合理使用。
我非常同情许多担心自己的生计受到人工智能影响的作家。我不知道正确的解决方案。拥有更多数据的免费访问权限，社会将会变得更好。但是，如果一部分人受到重大不利影响，我希望我们能够找到一种可以公平补偿他们的安排。
继续努力！
Andrew
